Applied Thermal Engineering 123 (2017) 917-928

Makalah Penelitian ​Optimasi dan strategi kalibrasi menggunakan desain eksperimen untuk
mesin diesel

Taman Sangki, Youngkun Kim, Seungchul Woo, Kihyung Lee *​

Departemen Teknik Mesin, Universitas Hanyang, 1271 Sa1-dong, Sangrok -gu, Gyeonggi-do 426-791,Korea Selatan

sorotan

​Variabel kontrol mesin dan keandalan dan prediktabilitas model mesin dievaluasi. ​ ​Batas eksperimental menggunakan evaluasi pengaruh dan DOE
ditentukan ketika kalibrasi mesin dioptimalkan. ​ ​Parameter kontrol engine dioptimalkan di setiap area operasi. ​ ​Peta strategi kontrol yang optimal dihasilkan
dengan menghubungkan titik-titik optimal.
er-treatment. Meningkatnya kompleksitas sistem mesin telah menyebabkan
ningkatan jumlah parameter dan eksperimen. Metode kalibrasi saat ini untuk
artikelinfo sin diesel memakan waktu, yang telah menyebabkan masalah bagi para insinyur.
eh karena itu, metode kalibrasi mesin yang baru dan lebih baik diperlukan untuk
Sejarah artikel: ​Diterima 25 Januari 2017 mpromosikan pengembangan mesin diesel berkualitas tinggi yang efisien ​[1,2]​.
Direvisi 5 April 2017 Diterima 28 Mei
2017 Tersedia online 31 Mei 2017 Kalibrasi berbasis model menggunakan desain eksperimen (DOE)
pat mengurangi waktu dan biaya yang terlibat dalam mengurangi emisi dan
Kata kunci: ​Desain percobaan nsumsi bahan bakar ​[3-5]​.
Metode permukaan respons Penelitian ini dilakukan menggunakan DOE. Pertama, evaluasi pengaruh
Kalibrasi berbasis mesin Diesel variabel kontrol mesin dilakukan, dan parameter yang dipilih digunakan sebagai
Model regresi
data dasar untuk mengoptimalkan strategi kontrol mesin diesel. Model regresi
dihasilkan, faktor-faktor konstan dibandingkan, dan parameter dianalisis
berdasarkan hasil.
ataan peringatan resmi mengenai kekurangan bahan bakar fosil dan pemanasan global telah terjadi. dikabarkan.
Selanjutnya, keakuratan prediktif dan keandalan dari modul mesin
hatian untuk meningkatkan efisiensi bahan bakar dan mengurangi emisi gas buang telah meningkat. Khususnya,
menggunakan DOE dipelajari, menggunakan hasil yang disebutkan di atas serta
in diesel, jumlah parameter kontrol telah ditingkatkan oleh sistem after-treatment. Namun, kalibrasi semua
data dasar untuk kalibrasi mesin. Agar model mesin menjadi efektif, mereka perlu
mit dan membutuhkan pemahaman rinci. Oleh karena itu, metode kalibrasi mesin diesel saat ini memakan waktu
memastikan prediksi yang masuk akal. Setelah DOE, prediktabilitas model regresi
nciptakan lingkungan yang sangat menantang bagi para insinyur. Mempertimbangkan hal ini, metode kalibrasi
u dan lebih baik diperlukan. Dalam studi ini, pemodelan mesin, prediktabilitas, dan akurasi difokuskan pada
ditingkatkan. Untuk mengatur metode desain, penting untuk menentukan metode
sain eksperimen (DOE). Selain itu, asupan dan parameter kontrol bahan bakar dikalibrasi secara optimal untuk memprediksi akurasi dan keandalan mesin. Oleh karena itu, kami
model regresi dan optimasi numerik. Melalui prosedur ini, jumlah pengukuran pengujian dapat dikurangi secara
menghasilkan model regresi sesuai dengan metode desain dan mengevaluasinya
metode kalibrasi mesin yang efisien diusulkan.
menggunakan berbagai indeks untuk meningkatkan akurasi dan prediktabilitas
Ó ​2017 Elsevier Ltd. Semua hak dilindungi.
model.

​Penulis yang sesuai.

Alamat email: h​ ylee@hanyang.ac.kr ​(K. Lee).
Dengan cara itu, kami mengoptimalkan strategi kontrol engine
1. Pendahuluan menggunakan DOE. Tujuan utama kami dalam penelitian ini adalah optimalisasi

Insinyur kendaraan memerlukan teknik yang ditingkatkan untuk://dx.doi.org/10.1016/j.applthermaleng.2017.05.171 ​1359-4311 /​Ó

7 Elsevier Ltd. Semua hak dilindungi undang-undang.
memenuhi berbagai peraturan yang terus-menerus mengenaiCO​2 ​emisidan efisiensi

bahan bakar .​ Kalibrasi mesin diesel menjadi sangat kompleks karena pilihan
 Daftar isi tersedia di ​ScienceDirect

Applied Thermal Engineering

beranda jurnal: www.elsevier.com/locate/apthermeng

strategi kontrol mesin. Untuk mengkalibrasi sembilan faktor kontrol, kami membagi DOE menjadi percobaan primer dan sekunder dan melakukan
optimasi. Hasil kami menyarankan berbagai titik setel dan memfasilitasi pembuatan peta untuk strategi kontrol.
2. DOE dan metode uji mesin
2.1. Metode aplikasi
DOE DOE adalah metode untuk merencanakan eksperimen. Untuk mengatasi masalah optimasi mesin, kami merencanakan eksperimen dan
menganalisis hasilnya.
Prosedur pertama untuk DOE adalah menetapkan tujuan eksperimental; ini diikuti oleh pemilihan karakteristik. Hasil dari setiap percobaan adalah
karakteristik dan variabel dependen. Setelah memilih karakteristik yang tepat, kami berhasil memilih eksperimen yang paling efektif. Kami
memilih tingkat faktor dan mengacak urutan eksperimen sebelum menganalisis hasilnya. Ada empat jenis DOE berdasarkan faktor-faktor ini:
desain skrining, metode permukaan respon (RSM), metode Taguchi, dan desain campuran. Kami terutama menggunakan RSM karena tujuan kami
adalah untuk menentukan titik optimal untuk parameter kontrol engine ​[6]​. RSM mengidentifikasi hubungan antara faktor reaksi dan faktor
eksperimental kuantitatif, dan oleh karena itu, RSM dapat mengoptimalkan parameter kontrol.
DOE dapat menggunakan tiga jenis model: Satu-Tahap, Dua-Tahap, dan Poin-demi-Poin, seperti yang ditunjukkan pada ​Gambar. 1​. Model Satu
Tahap digunakan untuk mengoptimalkan berbagai parameter dan tren kontrol. Misalnya, injeksi bahan bakar multistage mati dapat
mengoptimalkan emisi gas buang dan konsumsi bahan bakar. Namun, tidak ada kondisi untuk pengoperasian mesin karena model Satu Tahap
hanya dapat mengoptimalkan satu kondisi operasi saja. Masing-masing percobaan yang digunakan untuk mengevaluasi pengaruh berbagai
variabel kontrol mesin dan kemampuan, keakuratan, dan keandalan berbagai model dalam penelitian ini menerapkan model Satu Tahap.
918 ​S. Park et al. / Rekayasa Termal Terapan 123 (2017) 917-928
Gbr. 1. ​Komponen model Satu Tahap, Dua Tahap, dan Poin demi Poin.
Model Dua Tahap menggabungkan input global tambahan seperti kondisi kontrol kecepatan engine dan kondisi beban. Namun, model Dua Tahap
hanya dapat mempertimbangkan satu input lokal. Di sisi lain, model Point-by-Point dapat mempertimbangkan banyak input lokal. Oleh karena itu,
model Point-by-Point cocok untuk penelitian ini ​[7]​.
Metode D-optimal DOE digunakan dalam penelitian ini untuk menentukan poin eksperimental yang akan memungkinkan estimasi varians
minimum dari model regresi linier yang dipertimbangkan (Persamaan ​(1)​); model ini dinyatakan dalam bentuk matriks dalam (Persamaan ​(2)​. dan
​
(3)​) adalah estimasikuadrat terkecil ​b ​dan koefisien model regresi. Untuk meminimalkan dispersi ​b​, titik uji maksimum ​ð​XT​ X ​Þ ​ditentukan.

y ​1⁄4 b​1​x​1 ​þ b​2x​​ 2 ​ð​1​Þ

X​b 1⁄4 ​Y ​ð​2​Þ

2​664

x1​​ ,​1 .​ .​.​x​2​,​1

. ​..​x1​​ ,​n ​x​2​,​n

b​
3​775 ​Â ​ 1​b​2

2​664 ​y​1​.​..​3 1⁄4

775 ​y​n
b ​1⁄4 ð​X​T​Þ​À​1​X​TY
​
​ ​3​Þ
ð
Desain D-optimal menentukan varian minimum dari koefisien regresi menggunakan matriks informasi, kebalikan dari matriks terdistribusi
​
ð​XT​ X ​ À​​ 1​. Dengan meningkatkan matriks informasi, model memberikan informasi maksimum dan dapat memperkirakan varians minimum.
Þ
Untuk mengembangkan model prediksi, model regresi dihasilkan oleh fungsi basis radial (RBF). RBF cocok untuk perkiraan fungsi seperti mesin.
RBF banyak digunakan dalam aplikasi nonlinear. Dibandingkan dengan jenis lain dari algoritma pemodelan, ia memiliki konvergensi yang cepat
[8,9]​.
Dalam penelitian ini, model regresi emisi gas buang dihasilkan oleh RBF. Kemudian, reliabilitas dan akurasi prediksi model regresi dibandingkan.
Kami menciptakan model prediksi kami melalui model regresi menggunakan fungsi basis radial (RBF).
2.2. Metode evaluasi model regresi mesin Model
regresi yang dihasilkan oleh metode RBF untuk pengujian mesin dapat menggunakan empat indeks evaluasi: root mean squared error (RMSE),
kesalahan rata-rata kuadrat akar dari kesalahan yang diprediksi (PRESS RMSE), koefisien determinasi (R​2​), dan validasi RMSE ​[10]​. RMSE
menunjukkan keakuratan antara model regresi dan data eksperimen. Ini didefinisikan dalam Persamaan. ​(4) ​sebagai berikut [11,12]:
RMSE ​1/4

v​uut ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
​
X​N
D_​x​
iÀ
​ ​xi​ ​Þ /​N

ð​4​Þ i​ ​1/4​1​di mana ​_​x​i a​ dalah nilai estimasi model regresi, ​xi​ a​ dalah data
​ aktual, dan ​N a​ dalah jumlah percobaan. PRESS RMSE dihitung dengan
menggunakan metode yang sama dengan RMSE. Perbedaannya adalah nilai yang terkait dengan ​N​, kesalahan prediksi setelah pemodelan ​N ​À​1
titik data. PRESS RMSE dapat memfasilitasi evaluasi baik kemampuan prediktif dan keberadaan over-fitting dalam model ​[13]​.
2.3. Metode optimisasi dan verifikasi
Optimalisasi dilakukan dengan menerapkan fungsi fungsi / objektif pada model regresi yang dihasilkan ​[14,15]​. Sangat penting untuk
meminimalkan emisi gas buang dan konsumsi bahan bakar. Namun, mereka memiliki hubungan trade-off ​[16]​. Untuk mengoptimalkan parameter,
oleh karena itu, kami menggunakan fungsi merit / tujuan, yang membutuhkan penetapan fungsi objektif yang benar. Hasil pemodelan dapat
digunakan untuk berbagai tujuan dengan menambahkan faktor bobot ke fungsi tujuan. Kami mengatur faktor bobot dari 1 hingga 3 sesuai dengan
tujuan kami, seperti yang ditunjukkan pada Persamaan. (5).
BSFC
​ 1/4 ​
f​ð​xÞ

BSFC​t ​Â ​BSFCw​ þ
​ BSNOxBSNOx
​

tÂ
​ ​BSNOx​w þ
​ BSPMBSPM
​

tÂ
​ ​BSPMw​ ð
​ ​5​Þ
Dalam Persamaan. ​(5)​, subskrip 'w' menunjukkan nilai faktor bobot, dan 't' menunjukkan nilai target, nilai reaksi yang akan diperoleh dengan
optimasi. Data pengukuran untuk setiap area operasi ditetapkan sebagai nilai target minimum. Untuk membandingkan titik optimal dengan
pangkalan, nilai rata-rata dihitung untuk memverifikasi hasil optimisasi pada mesin aktual ​[17]​. Tidak layak untuk mengevaluasi hasil optimal
dalam mode operasi; oleh karena itu, kami menggunakan metode penghitungan rentang operasi rata-rata dengan mengalikan waktu setiap titik dan
faktor bobot. Dalam penelitian ini, kami mengevaluasi nitrogen oksida (NOx), partikel (PM), dan konsumsi bahan bakar dengan menghitung nilai
rata-rata, seperti yang ditunjukkan pada Persamaan. (6).

​m​x,​ ​P 1
​ ⁄4

X​i

w​i ​_​mx​ ​,​iD

​ ​t​i X​
​ i

w​i​P​iD ​ g​/​kWh​Þ ð​6​Þ

​ ​t​i ð​

Di sini, ​_​mx​ ,​ ​saya ​adalah aliran massa yang berhubungan dengan knalpot emisi dan konsumsi bahan bakar​(xi),
​ ​yang merupakan rentang operasi, ​wi​

adalahberat faktordari
​ ​ ​jangkauan operasi, ​Pi​ ​adalah ​i​th output daya, dan ​D​t adalah waktu yang dibutuhkan di masing-masing daerah operasi.
​ith
2.4. Peralatan pengujian mesin
Untuk mengoptimalkan strategi kontrol pada mesin diesel common rail, kami melakukan percobaan dengan mengubah sembilan parameter (aliran
massa udara, meningkatkan tekanan turbo charger, posisi swirl actuator, tekanan common rail, timing injeksi utama, pilot 1
S. Park dkk. / Teknik Termal Terapan 123 (2017) 917–928 ​919
timing injeksi, pilot 2 timing injeksi, pilot 1 kuantitas injeksi, dan pilot 2 kuantitas injeksi) untuk mengoptimalkan emisi gas buang dan konsumsi
bahan bakar. Mesin eksperimental adalah mesin diesel 2.2L inline-4 silinder. Turbocharger geometri variabel (VGT) dan sistem common rail
digunakan untuk menghasilkan injeksi tekanan tinggi. Spesifikasi mesin seperti jenis mesin, volume perpindahan, dan jenis katup disajikan pada
Tabel 1​.
Ketika parameter kontrol mesin dimodifikasi, sensor tekanan kombinasi dipasang pada busi silinder 1, dan sudut engkol diperoleh dengan
menggunakan sensor posisi engkol untuk menghilangkan kondisi tertekan. NO​x dan ​ PM diukur dengan alat analisis gas yang terletak di ujung
saluran pembuangan. Alat analisis gas HORIBA Ltd. MEXA-9100DEGR dan meter asap AVL Ltd. 415 digunakan untuk percobaan.
Program INCA ETAS Ltd. digunakan untuk mengatur parameter engine, dan ETK ECU digunakan untuk mengunci program dan engine.
Kecepatan engine diatur oleh dynamometer eddy saat ini yang memungkinkan pengukuran kecepatan engine dan torsi. ​Gambar 2 ​mengilustrasikan
peralatan uji mesin dan skema sistem.
2.5. Prinsip kontrol mesin
Sebelum melakukan percobaan mesin apa pun, penting untuk memahami prinsip-prinsip kontrol. Sembilan parameter kontrol mesin ditentukan
oleh jumlah injeksi bahan bakar (mg / stroke) untuk putaran engine (rpm). Aliran massa udara diatur oleh katup kontrol udara yang dipasang pada
throttle body. Unit tekanan boost pada charger turbo adalah hektopascal (hPa), dan tekanan boost diatur oleh baling-baling charger turbo. Sensor
tekanan boost dipasang di atas intake manifold untuk mengukur tekanan udara intake.
 Unit kontrol dari posisi aktuator swirl adalah persentase (%). Aktuator swirl memungkinkan optimalisasi aliran udara sesuai dengan kondisi
operasi.
Regulator tekanan bahan bakar dan regulator tekanan rel masing-masing dipasang pada pompa bahan bakar tekanan tinggi dan sistem common
rail. Sistem kontrol dua tahap ini secara simultan mengatur inlet dan outlet. Elemen sensor menghasilkan tegangan sebanding dengan tekanan.
Oleh karena itu, pengukuran tekanan bahan bakar, jumlah injeksi bahan bakar, dan waktu injeksi diatur dengan tepat.
Waktu injeksi bahan bakar utama diatur berdasarkan top dead center (TDC). Kontrol timing injeksi pilot dilakukan berdasarkan timing injeksi
bahan bakar utama (​°​) daripada sudut engkol. Injeksi bahan bakar pilot 1 disuntikkan beberapa ​l​sebelum timing injeksi bahan bakar utama, dan
injeksi bahan bakar pilot 2 disuntikkan beberapa ​l​sebelum timing injeksi bahan bakar pilot 1, dikendalikan oleh nilai relatif. Oleh karena itu, layak
untuk nilai absolut dari kontrol pengaturan waktu injeksi berbeda walaupun penggunaan waktu injeksi yang sama. Kuantitas injeksi bahan bakar,
pilot, dan jumlah total injeksi bahan bakar dikendalikan secara linier. Variasi dalam jumlah pilot 1 atau 2 injeksi bahan bakar menyebabkan variasi
dalam jumlah injeksi bahan bakar utama ​[18]​.
Tabel 1 ​Spesifikasi mesin uji.
Deskripsi Spesifikasi
Jenis mesin Mesin DI-diesel turbo bermuatan 4-stroke Jumlah silinder 4 Bore ​ ​Stroke ( ​mm ​mm) 87 ​ ​92 Volume perpindahan (cc) 2.187 Sistem injeksi bahan bakar Common rail
Jenis katup DOHC 4 katup

Gambar. 2. ​Konfigurasi dari sistem percobaan mesin.

tan uji menjadi menantang ​[19]​.
Jumlah total titik pengukuran yang disajikan pada ​Tabel 2 ​adalah
DOE digunakan untuk mengurangi waktu dan biaya yang
h pengukuran yang diperlukan untuk setiap area operasi. DOE dilakukan, dan
diperlukan untuk optimalisasi. Peningkatan dalam konsumsi bahan bakar dan
area operasional ditentukan. Jika percobaan dilakukan dengan metode
pengurangan emisi gas buang ditujukan dengan mengatur sembilan parameter
ial penuh (sembilan variabel dan tingkat faktor sebelas), jumlah total
kontrol engine.
baan akan meningkat dengan perkembangan geometri menjadi 11​9​. Di sisi
Optimasi sangat diperlukan pengukuran data yang berkelanjutan layak untuk memodelkan percobaan 220 kali menggunakan DOE. Namun,
saat mesin sedang beroperasi. Untuk meningkatkan akurasi, DOE dimodelkan baan dikelompokkan ke dalam pri-
menggunakan data yang diukur tanpa koreksi. Untuk memastikan kontinuitas
dalam DOE, percobaan berulang dilakukan dengan menggunakan kondisi kontrol
yang sama, dan nilai-nilai tersebut dibandingkan dengan nilai yang diukur
sebelumnya. Dengan cara ini, keandalan data diperkirakan. Eksperimen yang Tabel 2 ​Perbandingan DOE dan poin pengukuran metode uji faktorial
dilakukan secara kontinu membuat pemeliharaan kondisi eksperimental dan
 BSNOx), dan bahan partikulat rem khusus (BSPM), perlu untuk mengidentifikasi
Metode pengujian Hitungan variabel Level Poin pengukuran total
mekanisme dimana sembilan parameter kontrol mesin mempengaruhi udara untuk
DOE 9 11 220 asio bahan bakar (AFR), torsi, aliran massa gas buang, NOx, dan PM. Itu juga
1: 6 11 84 2: 6 84 erlu untuk mengidentifikasi efek timbal balik dari nilai batas eksperimental dari
faktorial penuh 9 11 11​9 embilan parameter untuk kontrol mesin. Semakin besar rentang nilai batas
Percobaanpercobaan sekunder dan sekunder dengan sembilan parameter kontrol ksperimental, semakin luas rentang hasil yang dihasilkan; ini menghasilkan risiko
mesin untuk meningkatkan keandalan. emasangan berlebihan selama pemodelan. Di sisi lain, rentang marginal dari nilai
atas eksperimental menghasilkan kisaran hasil marginal. Oleh karena itu, evaluasi
mpiris dari nilai batas eksperimental sangat penting ​[20]​.
3. Verifikasi DOE dan hasil aplikasi
DOE Satu Tahap digunakan untuk mengidentifikasi parameter kontrol.
nput lokal terdiri dari sembilan parameter kontrol engine: aliran massa intake (mg
3.1. Mengevaluasi pengaruh parameter kontrol mesin menggunakan DOE str), tekanan penambah turbocharger (hPa), tekanan rel umum (MPa), posisi
ktuator swirl (%), timing injeksi bahan bakar utama (​°​) , waktu injeksi bahan
Sebelum mengkategorikan ke dalam DOE primer dan sekunder, kami
akar (​ls​) pilot 1 dan 2, dan jumlah injeksi bahan bakar (mg / str) pilot 1 dan 2.
menguji perbedaan pengaruh sembilan parameter kontrol mesin. Sangat penting
Outputnya adalah respons engine: AFR, aliran massa buang (kg / jam), BSFC (g) /
untuk melakukan percobaan ini sebelum melakukan DOE. Untuk mengurangi Wh), BSNOx (g / kWh), dan BSPM (g / kWh). Operasional
konsumsi bahan bakar spesifik rem (BSFC), rem oksida nitrogen spesifik
920 ​S. Park et al. / Rekayasa Termal Terapan 123 (2017) 917-928 di
mana kondisinya 1.250 RPM dan beban mesin 2 bar. Operasional ini
x1​​ , ​x2​​ , ÁÁÁ,​x​8​, ​dan x9​ adalah
​ sembilan variabel dan ​$ ​r menunjukkan area nasional berada di dalam kendaraan ringan selaras di seluruh dunia
masing-masing koefisien konstan. siklus tes (WLTC). ​Tabel 3 m ​ enyajikan kisaran variabel
Koefisien penentuan model AFR, batas knalpot untuk DOE.
model aliran massa, model torsi, model BSFC, model BSNOx, dan Kisaran laju aliran massa udara yang diatur antara
model BSPM adalah 0,9889, 0,9317, 0,8260, 0,8260, 0,8260, 0,7971, dan 350 mg / str dan 400 mg / str. Pengisi daya turbo dikendalikan oleh
0,7497, masing-masing. AFR dan aliran massa buang memodelkan tekanan penambah. Tekanan common rail terbatas pada
sekitar duplikat data aktual. Namun, regresi 10 MPa, yang merupakan 5% dari tekanan injeksi maksimum, dan-
nilainilai berbeda dari data aktual untuk BSFC, BSNOx, dan BSPM dikendalikan secara independen, terlepas dari RPM dan jumlah injeksi.
model. Setelah injeksi, tekanan dipertahankan oleh tekanan oli ke
Nilai kontrol untuk variabel ditetapkan dari ​À​1 ke 1, dan mendapatkan hasil yang seragam.
model regresi dihasilkan untuk menganalisis bagaimana variabel Waktu injeksi bahan bakar utama berbeda menurut apakah
mempengaruhi hasil dengan membandingkan koefisien konstan dari setiap kondisi yang dihangatkan atau dingin. Dalam penelitian ini, kami
bertujuan
istilah. ​Tabel 4 ​menyajikan dua faktor signifikan untuk setiap variabel. untuk mendapatkan peta strategi kontrol untuk kondisi pemanasan.
AFR digunakan sebagai model prediktabilitas untuk memenuhi batasan. Oleh karena itu, waktu utama dibatasi dari ​À​5 hingga 0 ​[20]​. Kondisi
pilot
untuk pembakaran yang kaya. Variabel yang paling tinggi 1 timing injeksi dikendalikan oleh waktu berdasarkan padautama
AFR yang terkena dampakadalah aliran massa udara. Tekanan VGT mungkin merupakan waktu pertimbangan: antara 900 dan 1500 ​l​. Ada
kemungkinan
ered berhubungan secara signifikan dengan AFR; Namun, itu tidak tampak- kondisi di bawah 900 ​l​mengganggu waktu utama.
ent dari percobaan. Model torsi terkait dengan daya. Kondisi di atas 1500 ​l​tidak akan memuaskan injeksi kontinu
dan secara langsung mempengaruhi kuantitas injeksi dan kecepatan engine. tion, yang merupakan tujuan asli dari injeksi pilot. Pilot 2
Oleh karena itu, melalui eksperimen evaluasi, perlu waktu injeksi dikontrol berdasarkan waktu pilot 1, dan
untuk melanjutkan dengan optimasi untuk mengidentifikasi faktor output terbesar. rentang kendali mirip dengan untuk pilot 1. Kuantitas bahan
bakar
Torsi dipengaruhi oleh aliran massa udara masuk dan kehadiran VGT pilot 1 dan 2 adalah 0,6-1,5 mg / str, yang menunjukkanterbaik
kepastian. Jumlah emisi gas buang diidentifikasi menggunakan efisiensi pembakaran.
model aliran massa buang. Pengaruh pada aliran massa buangan Untuk mengevaluasi pengaruh parameter kontrol, sebuah pengalaman
serupa dengan yang pada torsi, aliran massa udara, dan tekanan VGT. tabel desain mental dibangun menggunakan RSM dan sekunder
. Model BSFC adalah model akhir yang akan dioptimalkan dan regresi utama dengan koefisien interaksi satu dantingkat faktor
fokuspenelitian ini. Mirip dengan model torsi, BSFC dipengaruhi oleh variabel lima. Algoritma generasi grid dan D-optimal
oleh aliran massa udara dan tekanan VGT. BSNOx adalah standar prediktabilitas yang digunakan. Standar D-optimal adalahterkonsentrasi
modelyang digunakan untuk mencapai pengurangan dan optimalisasi emisi. di tengah variabel dan batas; oleh karena itu, itu
dipengaruhi oleh aliran massa udara dan waktu utama. Emisi NOx yang cocok untuk mengevaluasi pengaruh variabel dan batas
disebabkan terutama oleh suhu tinggi, khususnya, nilai-nilai kombinasi.
yang terjadi pada kondisi udara berlebih. Oleh karena itu, dengan asumsi tidak adanya interaksi antara variabel dan
kontrol massa udara diperlukan untuk mengoptimalkan mesin diesel. Dalam menerapkan koefisien interaksi satu, sembilan parameter dari
kasus swirl, pembentukan campuran yang dipromosikan oleh kontrol mesin berhasil diukur dalam 19eksperimental
pengembanganarus eddy. Hal ini menyebabkan pelestarian yang tinggi. Untuk meningkatkan akurasi dan pengulangan, pengalaman
dan menghasilkan NOx. Waktu pencampuran udara dan bahan bakar serta status diulang 45 kali, dan sebuah tabel eksperimental
pembakaran bervariasi sebagai fungsi dari penundaan pengapian yang dihasilkan.
bahan bakar yang disuntikkan. Oleh karena itu, kontrol waktu injeksi yang tepat sangat penting ketika membuat tabel desain eksperimental
melalui algoritma
. Hasil ini menunjukkan bahwa pengaruh swirl, com- rm, sembilan parameter kontrol digunakan; Namun,
tekanan mon rail, timing utama, dan timing pilot 1 sulit untuk memastikan perbedaan antara variabel. Ada
substansial. PM memiliki banyak variabel yang mempengaruhi operasi sebelumnya, nilai-nilai distandarisasi dari ​À​1 hingga 1. Keadaan standar
; oleh karena itu, sulit untuk menggunakannya untuk optimasi. metode memiliki keuntungan meningkatkan akurasi ketika regresi-
Tujuan percobaan yang mengevaluasi pengaruh adalah untuk model yang dihasilkan dari hasil.
menentukan apakah nilai batas dari variabel sesuai- 45 iterasi percobaan mesin pada sembilan variabel
mampu. Tidak ada variabel tertentu yang mempengaruhi BSFC, BSNOx, atau BSPM dilakukan, dan lima model regresi dihasilkan menggunakan
model; kesembilan variabel tersebut memberikan efek yang serupa. Tujuan lain (AFR, aliran massa buang, BSFC, BSNOx, dan BSPM), dengan
demikian,
pose dari percobaan ini adalah untuk mengidentifikasi sembilan model efek variabel yang mendapatkan nilai reaksi untuk pengaruh sembilan
variabel. Eq.
untuk optimasi. Kondisi untuk membagi primer dan detik ​(7) m ​ enyatakan model regresi:
sekunderDOE ondary disajikan pada ​Tabel 5​.

F​ð​x1​​ , ​x2​ ​, ÁÁÁ,​x​8​,​x9​ ​Þ 1⁄4 ​a​x​2​1 ​þ ​bx1​ ​þ ​cx​2​2 ​þ ​dx2​ ​þÁÁÁþ ​sapi​2​8 ​þ ​px8​
þ ​rx​
þ ​qx2​​ 9 ​ 9 ​þ ​s ​ð​7​Þ
3.2. Studi tentang keandalan dan akurasi prediktabilitas model mesin menggunakan DOE
. Evaluasi DOE menggunakan model One-Stage denganumum

Tabel 3 tekanan
​ rel, timing utama, dan timing injeksi sertainjeksi ​batas-batas variabel input DOEpada efek kondisi operasi.
Variabel input Unit Min Max
Aliran massa udara mg / str 350 400 VGT meningkatkan tekanan hPa 1050 1100 Swirl% 40 80 Tekanan rel umum MPa 53 63 Waktu utama ​° À​5 0 Pilot 1 timing ​l​s 900 1500 Pilot 2
timing ​l​s 900 1500 Pilot 1 kuantitas mg / str 0,6 1,5 Percontohan 2 kuantitas mg / str 0,6 1,5
Tabel 4 ​Pengaruh variasi pada fungsi respons.
Variabel 1 pengaruh 2 pengaruh

AFR Aliran massa udara - Tekanan torsi VGT Aliran massa udara Aliran massa buang Tekanan VGT Aliran massa udara Tekanan BSFC VGT Aliran massa udara BSNO​X ​Aliran

massa udarawaktu ​PengaturanBS Swirl Pengaturan waktu utama

S. Park et al. / Rekayasa Termal Terapan 123 (2017) 917-928 9​ 21
Tabel 5 ​Pemisahan variabel input DOE.
Variabel INPUT
Aliran massa udara DOE 1, VGT boost pressure, Tekanan common rail,
Swirl, timing utama, Pilot 1 timing 2nd DOE Common rail pressure, timing utama, Pilot 1 timing, Pilot 2
timing, Pilot 1 kuantitas, Pilot 2 kuantitas
60

R​2 ​ 5040302010​
PRESS RMSE RMSE Validasi RMSE ​ 1​ 0​Jumlah percobaan [Tidak]
Gambar. 3. ​Model regresi BSFC dihasilkan vs jumlah percobaan dengan fungsi kuadratik.
60

5040302010​
0​Jumlah percobaan [Tidak]
0.95
] hWk / g [​ C FS​
B​0,9 0,85 ​ 0,8

jumlah pilot 1 dan 2 sebagai input lokal. Keluaran terdiri dari tanggapan BSFC, BSNOx, dan BSPM. Percobaan dilakukan pada 1.250 rpm dengan
kondisi beban mesin 2 bar. ​Tabel 6 ​menyajikan batas variabel input.
0,7
50 60 70 80 90 100 ​
Menggunakan hasil sebelumnya dari percobaan pada pengaruh nilai kontrol, nilai batas eksperimental bervariasi. Karena mereka berada dalam
kisaran operasi yang sama, batas eksperimental untuk injeksi bahan bakar diterapkan secara historis.
Percobaan untuk evaluasi akurasi model mesin menggunakan RSM dan metode regresi. RSM untuk model regresi sekunder menerapkan desain
Interaction Order 2 dan Latin hypercube sampling (LHS). Dengan cara ini, jumlah percobaan meningkat dari 50 menjadi 100 pada interval 10.
Percobaan dilakukan dengan menggunakan tabel desain yang dihasilkan dan model regresi.
Jumlah percobaan ditentukan oleh hasil percobaan untuk mengevaluasi keandalan dan akurasi. Eksperimen pengoptimalisasian menerapkan hasil
ini. Namun, percobaan optimisasi menggunakan metode desain D-optimal daripada jenis desain LHS. Prediktabilitas dan akurasi model regresi
dapat bervariasi dengan model desain. Namun, metode desain diasumsikan kurang kritis daripada jumlah percobaan.
Model regresi dihasilkan menggunakan data eksperimental dari mesin. Prediktabilitas dan akurasi model yang dihasilkan dievaluasi menggunakan
RMSE, PRESS RMSE, Validation RMSE, dan R​2​.
Gambar. 3 ​menyajikan hasil model regresi BSFC sekunder yang dihasilkan oleh jumlah percobaan. Ketika jumlah percobaan ditingkatkan, PRESS
RMSE, RMSE, dan Validasi RMSE menurun. Dengan demikian, akurasi model meningkat; namun, variasinya kecil. Ketika jumlah percobaan
meningkat, perbedaan antara PRESS RMSE dan RMSE menurun; dengan demikian, prediktabilitas model meningkat. Titik konvergensi RMSE
dan PRESS RMSE tidak secara jelas menunjukkan variasi dalam prediktabilitas ini. R​2 ​didistribusikan 0,75-0,8, yang menyiratkan bahwa akurasi
model itu sangat tidak memuaskan.
Gambar. 4 ​adalah grafik evaluasi model regresi BSFC sesuai dengan jumlah percobaan. Berbeda dengan model regresi BSFC ondary sek-, R​2
nilailebih dari 0,95 dan menunjukkan akurasi yang tinggi. Nilai RMSE dan PRESS RMSE relatif rendah; Oleh karena itu, model regresi BSFC
menampilkan akurasi dan prediksi yang tinggi. Pada titik pengukuran lebih dari 70, RMSE, PRESS RMSE, dan Validasi RMSE bertemu, yang
menunjukkan
bahwa akurasi dan prediktabilitas model tidak bervariasi secara signifikan di luar sejumlah eksperimen.
Gambar. 5 ​adalah grafik evaluasi model regresi BSNOx sekunder. Ketika jumlah percobaan meningkat, nilai RMSE, PRESS RMSE, dan Validasi
RMSE menurun, menunjukkan peningkatan akurasi dan prediktabilitas. Ketiga indeks evaluasi penawaran tidak bertemu, dan dengan demikian,
akurasi tampaknya meningkat karena jumlah percobaan melebihi 100. Namun, sebagai nilai R​2 ​tetap antara 0,8 dan 0,85, akurasi
Tabel 6 ​DOE masukan batas variabel untuk percobaan akurasi model.
Variabel input Unit Min Max
Tekanan rel umum MPa 53 63 Waktu utama ​° À​5 0 Pilot 1 timing ​l​s 900 1500 Pilot 2 timing ​l​s 900 1500 Pilot 1 kuantitas mg / str 0,6 1,5 Pilot 2 kuantitas mg / str 0,6 1,5
0,06
R​2 ​
PRESS RMSE Validasi RMSE RMSE ​ 1 ​0,05
0,95
Jumlah percobaan [Tidak.]
Gambar. 5. ​Model regresi BSNOx dihasilkan vs jumlah percobaan dengan fungsi kuadratik.
0,75
R​2 ​
PRESS RMSE RMSE Validasi RMSE ​ 1 ​Gbr. 4. ​Model regresi BSFC dihasilkan vs jumlah percobaan dengan fungsi RBF-kuadratik.

0​ HWK / g [C FS​
50 70 ​0.95] ​ B​0,9 0,85
0,8
0,75
0,7]
50 60 70 80 90 100 ​
HWK / g [x ONS​
B​0,030,04
0,9
0,85
0,02
0,8
0,01
0,75
0,7
60 80 90 100 ​
922 ​S. Taman et al . / Rekayasa Termal Terapan 123 (2017) 917-928
model tidak ditingkatkan. Dengan demikian, keakuratan model tidak menampilkan variasi yang signifikan. Selain itu, model yang dihasilkan oleh
metode regresi sekunder tidak menunjukkan kinerja yang kuat karena koefisien determinasi yang rendah.
Gambar. 6 ​adalah grafik evaluasi model regresi BSNOx yang dibangun menggunakan RBF. Sebagai jumlah percobaan meningkat, R​2
2​
nilaimenurun, menunjukkan penurunan model cabul-tuduhannya. Meskipun demikian, nilai R​ tetap lebih tinggi dari 0,95, menunjukkan bahwa
akurasi model masih tinggi. RMSE dan PRESS RMSE meningkat dengan jumlah percobaan. Dengan model ini, lebih sulit untuk menentukan
jumlah percobaan yang optimal, dan bentuk data lebih kompleks. Mirip dengan model BSFC, pada titik pengukuran lebih dari 70, Validasi RMSE
menurun secara signifikan ketika model regresi dihasilkan menggunakan RSM. Oleh karena itu, prediktabilitas meningkat secara luar biasa pada
titik pengukuran di atas 70.
Gambar 7 ​adalah grafik evaluasi model regresi sekunder BSPM. RMSE dan PRESS RMSE bervariasi secara marginal; Namun, validasi RMSE
menurun sangat. Dengan demikian, ketika jumlah percobaan meningkat, prediktabilitas meningkat bersamaan. Namun, karena R​2 ​menurun jumlah
percobaan meningkat, sangat penting untuk menentukan jumlah optimal percobaan.
Gambar. 8 ​adalah grafik evaluasi model regresi BSPM yang dibangun menggunakan RBF. Semua R​2 ​nilai-nilailebih dari 0,9; oleh karena itu,
persetujuan antara data dan model regresi sangat tinggi. Ketika jumlah percobaan adalah 50, nilai PRESS RMSE dan RMSE rendah; namun,
Validasi RMSE tinggi. For low number of experiments, it was convenient to fit the model; however, because of the marginal amount of data, the
model displayed low accuracy and low predictive value. At a mea- sure point over 70, PRESS RMSE, RMSE, and Validation RMSE con- verged.
Thus, the usefulness of the regression model did not vary significantly above a certain number of experiments.
3.3. Optimization of engine control strategy using DOE
To perform optimizing experiments for diesel engine control, a point-by-point model was used to determine the primary and sec- ondary DOE.
The local input was composed of the engine control parameters that required calibration as independent variables. According to the experimental
results on the influence of the engine control variables, the primary DOE determined the air mass flow, VGT pressure, swirl actuator position,
common rail pressure, main timing, and pilot 1 timing. The global input (control vari- ables) comprised the conditions of the engine operation
range: engine speed and total quantity of fuel injected. The representative operating conditions were determined, and the experimental con-
ditions were designed. After performing the experiment, the results were used to generate a regression model and proceed with optimization. The
secondary DOE applied a set-point using the pri- mary DOE. Therefore, optimization proceeded in a similar manner as in the primary DOE.
The global input—engine speed and the quantity of fuel injected—were held steady during the engine experiments. ​Fig. 9 ​displays seven
representative fuel efficiency points considering the WLTC driving mode. The operating conditions, 800–2200 rpm
0.06
) 61(​ 2 ​
PRESS RMSE RMSE Validation RMSE ​ R​ 1 ​0.05
0.95
] hWk/g[x ONS​
B​0.04 0.03
0
Number of experiments [No.]
Fig. 6. ​BSNOx BSFC regression model generated vs. the number of experiments with RBF-quadratic function.
0.9
0.85
0.02
0.8
0.01
0.75
0.7
50 60 70 80 90 100 ​
S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928 9​ 23
R​2 ​
1 ​0.03 PRESS RMSE RMSE Validation RMSE ​ 0.025
0.95
] hWk/g[M PS​
B​0.015 0.02
0.01
0.9
0.85
0.8
0.005
0.75
0
0.7
50 60 70 80 90 100 ​
Number of experiments [No.]
Fig. 7. ​BSPM regression model generated vs. the number of experiments with quadratic function.
0 0.03
R​2 ​
PRESS RMSE RMSE Validation RMSE ​ 1 ​0.025
0.95
] hWk/g[​
0.02 0.015
0.9
M PS​
0.85 ​ B​0.01
0.8
0.005
0.75
0.7
50 60 70 80 90 100 ​
Number of experiments [No.]
Fig. 8. ​BSPM regression model generated vs. the number of experiments with RBF- quadratic function.
80

706050403020100​ ] rts/gm[y titnauqn oitcejnil

0 500 1000 1500 2000 2500 3000 3500 4000 ​Engine Speed [rpm] ​WLTC cycle trajecto ry Design operation points ​
eu​
F​Fig. 9. ​Design operating points in the WLTC cycle mode.
In and 8 mg/str, are determined. The weight factors of representative
the primary DOE, the R​2 ​of BSFC and BSNOx was 0.93, which points were calculated according to the operation time. The exper-
indicated that the values followed the model adequately. Because imental conditions have numerous distribution points in the WLTC
RMSE and PRESS RMSE were significantly low, the accuracy of test area and are to be optimized by priority ​[21]​.
the model was high, and as they had similar values, predictability In the case of the primary and secondary DOE, the experimental
was also high. The R​2 ​of the BSPM model was high, and the RMSE design table was generated using RSM and the quadratic regression
and PRESS RMSE values were low; therefore, the model had high method. For the RSM of the quadratic regression model, the inter-
accuracy. However, as the difference between RMSE and PRESS action order was two, and the factor level of the variables was ele-
RMSE was high, predictability was low, and the model was possibly ven. The experimental table was generated using the D-optimal
overfit. standard and generating grid algorithm. The 85 experiments were
In the secondary DOE, the R​2 ​for BSFC and BSNOx was over 0.9, determined from the results of the experiments on the reliability
indicating high ability. As RMSE and PRESS RMSE had similar val- and accuracy of the engine model. The control range of the local
ues, predictability was also high. The R​2 ​of the BSPM model was input derived from the results of evaluation of the influence of
0.94, which is significantly high, and the values of RMSE and PRESS engine control parameters. ​Table 7 ​presents the primary DOE,
RMSE were similar; therefore, predictability was also significantly and ​Table 8 ​presents the secondary DOE. Each driving condition
high. However, a portion of the data was higher than average, indi- applied an ellipsoid boundary condition to ensure a detailed and
cating a high possibility of overfit. To prevent overfit, the unique reliable experimental range. The ellipsoid boundary condition is
data were removed and the model generated again. defined in Eq. ​(8) [22]​.
The regression model was optimized by applying the merit/

ð​x ​À ​x​0​ÞÂð​x À ​ ​y0​ ​ÞÂð​y ​À ​y0​​ ÞþÁÁÁ ​1 ​ð​8​Þ

​ ​x0​ ​Þþð​y À
objective function with the weight factor fixed at one. The target value was the minimum value within the measured driving data. The engine
control values were standardized from ​À​1 to 1, and
In each driving region, the existing control strategy was compared values were determined by applying Eq. ​(8)​. Thus, the experimen-
with the control strategy optimized via the primary and secondary tal design was distributed across the center and surface of an DOE.ellipse. As a
result, the number of experiments decreased from 11​6 ​(level factor 11, control parameter 6) to 85 through the use

Table 9 ​presents the existing set-points for the control strategy. The
​ value of the pilot injection timing was 1000 ​l​s, and the value
of the generation algorithm and boundary conditions.
of the pilot injection quantity was 1 mg/str. The values for the swirl The engine experiments were performed in accordance with the
actuator position were 60% and 70% as the optimization was not above tables, and fuel consumption and exhaust emissions (NOx
proper.
and PM) were measured. The responses of the prediction regres- sion models were generated using the measured fuel consumption
Tables 10 and 11 ​provide the optimization results from the pri- mary and secondary DOE.
and exhaust emissions. The model referred to the result of this
Fig. 11 ​presents the optimal result for the base, primary, and study's experiments on the reliability and accuracy of the engine
secondary DOE. In operation point 1, BSFC, BSNOx, and BSPM model predictability using RSM and then proceeded to optimiza-
decreased. In the result from the secondary DOE, BSFC decreased, tion using the merit/objective function.
and BSNOx decreased further than in the primary DOE. On the ​Fig. 10 ​is a reliability evaluation graph of the measured data.
other hand, BSPM did not vary. In operation point 2, the BSNOx Before generating a model, it was necessary to evaluate the relia-
and BSPM results from the primary and secondary DOE decreased bility of the data and observe the varying trends as conditions
significantly; however, BSNOx varied marginally. In operation
remained unaltered. The experimental conditions table for each operational region was produced using D-optimal design; how-
point 3, BSFC and BSNOx varied marginally; however BSPM decreased. In operation point 4, BSNOx decreased significantly. In
ever, the table was generated randomly. Therefore, the measured
operation point 5, BSNOx and BSPM decreased; however, BSFC var-
data may not display any trends. The BSFC, BSNOx, and BSPM results for the primary and secondary DOE maintain a constant
ied marginally. In operation point 6, BSFC and BSPM increased marginally. The reliability was uncertain because the regression
level with no drift, demonstrating their reliability. However, the
model was not analyzed properly. To resolve this problem, it was data for BSNOx operation 6 in the primary DOE reveal that as the
necessary to increase the number of experiments or use a new type experiment progresses, the BSNOx value decreased marginally.
of DOE and tertiary regression method. In operation point 7, BSPM Drift occurred because of failure to maintain a constant cooling
decreased; however, BSFC and BSNOx varied marginally. water temperature. Another reason was lack in applying exhaust
To predict the number of reductions achieved in the WLTC emissions as the exhaust analyzer sample line was excessively
mode using the results from the primary and secondary DOE, the long.average value was calculated and compared with the base value.

The model was generated using RBF with the results of the
Table 12 ​presents the reduction rate in the average values from engine experiments. According to the primary and secondary
the primary and secondary DOE. In the primary DOE, BSFC, BSNOx, DOE, a total of 42 models were generated in each work area.
and BSPM decreased by 0.34%, 12.06%, and 16.95%, respectively. In
Table 7 ​Local input boundaries of DOE 1.
OP Engine speed (rpm) F_Inj (mg/str) Air mass (mg/
str)
VGT boost (hPa) Swirl
Rail
Main
Pilot 1 timing actuator
pressure
timing (​°​)
(​l​s) position
(MPa) (%)
1 1000 10 300 320 1050 1100 40 80 43 53 ​À​5 0 900 1500 2 1250 15 320 370 1150 1200 40 80 55 65 ​À​5 0 900 1500 3 1250 25 450 500 1200 1300 40 80 65 75 ​À​5 0 900 1500 4 1500
10 330 380 1150 1200 40 80 55 65 ​À​5 0 900 1500 5 1750 17.5 350 450 1300 1500 40 80 75 85 ​À​5 0 900 1500 6 2000 10 400 500 1200 1300 40 80 65 75 ​À​7 ​À​2 900 1500 7 2000 25
500 600 1500 1600 40 80 88 98 ​À​7 ​À​2 900 1500
924 ​S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928
the secondary DOE, BSFC decreased by 3.43%, more than in the pri- mary DOE. BSNOx and BSPM decreased less than in the primary DOE.
The primary DOE, which had intake air as the control param- eter, did not affect fuel consumption or power; however, it signif-
Table 8 ​Local input boundaries of DOE 2.
OP Engine
speed (rpm)
Pilot 2 quantity (mg/str)
1 1000 10 43 53 ​À​5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 2 1250 15 55 65 ​À​5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 3 1250 25 65 75 ​À​5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 4 1500 10
55 65 ​À​5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 5 1750 17.5 75 85 ​À​5 0 900 1500 900 1500 0.6 1.4 0.6 1.4 6 2000 10 65 75 ​À​7 ​À​2 900 1500 900 1500 0.6 1.4 0.6 1.4 7 2000 25 88 98
À​7 ​À​2 900 1500 900 1500 0.6 1.4 0.6 1.4
Table 9 ​Base engine control set-points.
OP Air mass flow (mg/str)
VGT boost
Swirl actuator
Rail pressure
Main
Pilot 1
Pilot 2
Pilot 1 quantity
Pilot 2 quantity pressure (hPa)
position (%)
(MPa)
timing (​°​)
timing (​l​s)
timing (​l​s)
(mg/str)
(mg/str)
1 319.9 1000.3 60.17 45.78 ​À​1.955 1000 1000 1 1 2 338.6 1042.0 69.16 60.22 ​À​2.153 1000 1000 1 1 3 478.2 1175.2 59.87 70.89 ​À​2.311 1000 1000 1 1 4 362.7 1081.0 70.00 60.01
À​2.594 1000 1000 1 1 5 413.6 1176.0 70.00 80.05 ​À​3.026 1000 1000 1 1 6 427.9 1184.6 70.00 70.90 ​À​3.421 1000 1000 1 1 7 568.5 1490.5 60.40 95.55 ​À​4.558 1000 1000 1 1
S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928 9​ 25
700 600
DOE 1 DOE 2
500
400
300
200 ​
0 100 200 300 400 500 600 1.5 ​DOE 1
1

DOE 2
0.50 ​0 100 200 300 400 500 600 0.4
​
] hWk/g[​
DOE 1 DOE 2
Fig. 10. ​Reliability review of measured data. ​0.3
M PS​
0.2 ​ B​0.1
0

0 85 170 255 340 425 510 595 Number

​ of experiments [No.]
F_Inj (mg/str)
Rail pressure (MPa)
Main timing (​°​)
Pilot 1 timing (​l​s)
icantly influenced reduction of exhaust emissions. The secondary DOE, which had control parameters as fuel control, also reduced exhaust
emissions. Moreover, it reduced fuel consumption and increased power.
Pilot 2 timing (​l​s)
Pilot 1 quantity (mg/str)
Our final purpose in this study was to configure an optimized control strategy for the nine engine control parameters. In operat- ing region 7, a
control strategy map was produced by connecting the optimal points of each engine control parameter ​[23]​.
Table 10 ​Result of control strategy in DOE 1.
OP Air mass flow (mg/str)
Pilot 2 quantity (mg/str)
1 313.8 1000.5 80.00 46.99 ​À​1.296 1151 – – – 2 324.7 1037.3 71.00 60.50 ​À​1.164 1244 – – – 3 475.0 1174.8 67.79 70.00 ​À​2.878 1200 – – – 4 356.4 1069.2 62.99 60.00 ​À​0.703 1200
– – – 5 389.1 1159.3 66.02 79.99 ​À​0.637 1198 – – – 6 452.0 1185.6 63.01 69.99 ​À​2.724 1200 – – – 7 573.3 1458.9 55.01 92.99 ​À​4.108 1200 – – –
Table 11 ​Result of control strategy in DOE 2.
OP Air mass flow (mg/str)
VGT boost pressure (hPa)
VGT boost
Swirl actuator
Rail pressure
Main
Pilot 1
Pilot 2
Pilot 1 quantity
Pilot 2 quantity pressure (hPa)
position (%)
(MPa)
timing (​°​)
timing (​l​s)
timing (​l​s)
(mg/str)
(mg/str)
1 – – – 47.99 ​À​0.769 1200 1201 1.05 0.75 2 – – – 59.99 ​À​1.120 1229 1059 0.89 0.89 3 – – – 70.00 ​À​1.911 1200 1200 0.74 0.72 4 – – – 59.99 ​À​2.197 1223 1118 1.26 0.98 5 – – –
79.99 ​À​2.504 1200 1200 0.77 0.67 6 – – – 69.99 ​À​2.702 1200 1200 0.75 1.00 7 – – – 93.00 ​À​5.383 1203 1203 0.81 0.77
600
0​ 0
1234567​
1 2 3 4 5 6 7 Base 400
DOE 1 DOE 2
200
0.8
0.6
Base DOE 1
0.4
DOE 2
0.2
0.08
] hWk/g[​
0.06
Base DOE 1 DOE 2
M PS​ 0
B​
1 2 3 4 5 6 7 ​Fig. 11. ​Optimal results and validation set-points (Base vs. DOE 1 vs. DOE 2). ​0.04
0.02
Operating Points
926 ​S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928
Swirl actuator position (%)
Rail pressure (MPa)
Main timing (​°​)
Fig. 12 ​displays the control strategy maps for main timing, com- posed of the base and primary and secondary DOE. The control strategy for air
mass flow and common rail pressure varied mar- ginally. VGT pressure decreased from the base model. The main
Pilot 1 timing (​l​s)
Pilot 2 timing (​l​s)
Pilot 1 quantity (mg/str)
Table 12 ​Average emissions and fuel consumption results.
BSFC (g/kWh) BSNOx (g/kWh) BSPM (g/kWh)
DOE 1 ​. ​0.34% ​. ​12.06% ​. ​16.95% DOE 2 ​. ​3.43% ​. ​6.24% ​. ​11.33%
10
0
Base DOE 1 ​
DOE 2
] ged[g nimitn ia​ -1-2-3-4​
M​ -52000
Total Fuel injection [mg/str]
Fig. 12. ​Normalized engine control strategy set point progression with Base, DOE 1, and DOE 2.
10
30
1500
20
25
Speed [rpm]
1000
15
fuel injection timing map varied in various ways as optimization proceeded because it affected exhaust emissions and fuel con- sumption more
than the other control parameters. The result for the pilot 1 injection timing was 200 ​l​s higher than in the base model; however, the results from the
primary and secondary DOE were approximately identical. The pilot 2 injection timing control map was similar to that for pilot 1; however,
variations occurred under low speed and low load conditions. The large pilot 1 and 2 injection timings under a low load condition were efficient.
Similarly, the marginal pilot 1 and 2 injection timings under a high load condition were also efficient.
Buah ara. 13 and 14 ​display engine control strategy maps for various optimal purposes. the maps for minimizing BSFC, BSNOx, and BSPM were
 produced by varying the weight factor of the merit/ objective functions. The air mass flow and VGT pressure varied marginally with the purpose.
These two parameters display an
x 10​5
BSFC min
11

] aPh[e russerpl iarn ommo​ 1098765​

BSNOx min BSPM min ​ C​ 42000
30
1500
20
25
Speed [rpm]
1000
15
Total Fuel injection [mg/str]
Fig. 13. ​Normalized engine control strategy set point progression with different calibration optimization (common rail pressure, engine speed, total fuel injection).
S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928 9​ 27
effect less than that by the other parameters; alternatively, they possibly had identical optimal points for all purposes.
To minimize BSFC and BSPM, the value of the swirl actuator position increased in low speed conditions and decreased in high speed conditions.
To minimize BSNOx, the value of the swirl actu- ator position increased in high speed conditions and decreased in low speed conditions. To
minimize BSFC, it was necessary for the control value for common rail pressure to increase in high speed conditions. To minimize BSFC and
BSPM, the main fuel injection timing decreased in low speed conditions when the control value decreased. In high load conditions, BSNOx
decreased when the fuel was injected at TDC. The pilot 1 fuel injection timing had negligible effect on decreasing BSFC and BSNOx. To reduce
BSPM at 1500 rpm, it was necessary to decrease the control value for pilot 1. The pilot 2 injection timing required a similar control strategy for
BSFC, BSPM, and BSNOx. The range for pilot 2 was 1100– 1200 ​l​s.
4. Conclusions
For the purpose of this study, engine control variables and the reliability and predictability of an engine model were evaluated. With these results,
the optimization of the intake air and fuel con- trol strategy of a diesel engine was studied and clarified using DOE, as follows:
(1). The influence of nine engine control parameters on fuel con- sumption and exhaust emissions was identified. Experi- ments were carried out
sequentially in order of influence by separating primary and secondary DOE. The experimental boundaries were determined using an influence
evaluation and DOE when engine calibration was optimized. (2). When a model was generated via a secondary regression equation, increasing the
number of experiments resulted in challenges in fitting and inadequate accuracy albeit increased predictability. When a secondary regression
model was generated via RBF, predictability and accuracy increased. Conducting more than 80 experiments marginally modified predictability
and accuracy. Thus, the optimum number of experiments is predictable. (3) Compared to base values, the results from the primary DOE for BSFC,
BSNOx, and PM decreased by 0.34%, 12.06%, and 19.95%, respectively, and the results from the secondary DOE for BSFC, BSNOx, and PM
decreased by 3.43%, 6.24%, and 11.35%, respectively. The engine control parameters
BSFC min
1350
BSNOx min BSPM min
] su[g nimit1 t oli​
P​1300 1250
1200
1150
1100
2000
Total Fuel injection [mg/str]
Fig. 14. ​Normalized engine control strategy set point progression with different calibration optimization (pilot 1 timing, engine speed, total fuel injection).
30
1500
20
25
Speed [rpm]
1000
10
15
were optimized in each operation area, and an optimal con- trol strategy
map was produced by connecting the optimal points. Moreover, maps were
produced for various purposes. rences

Atkinson, G. Mott, Dynamic model-based calibration optimization: An introduction and

Acknowledgment
This research was supported by the Basic Science Research Pro-
gram through the National Research Foundation of Korea (NRF) funded by the
Ministry of Education (2015R1A6A3A01060776).
ation to diesel engines, SAE Technical Paper 2005-01- 0026. [2] ​C. Guardiola, P. Olmeda, B.
Bares, In-cylinder pressure based model for exhaust temperature estimation in internal
ustion engines, Appl. Satuan panas. Eng 115 (2017) 212–220​. [3] S. Mcneil, P. Adamovicz, F.
r, Bosch Motronic MED9. 6.1 EMS applied on a 3.6 L DOHC 4V V6 direct injection engine,
Technical Paper 2008-01-0133. [4] T. Brooks, G. Lumsden, H. Blaxill, Improving base engine
ations for diesel vehicles through the use of DoE and optimization techniques, SAE Technical
2005-01-3833. [5] ​S. Kokjohn, R. Hanson, D. Splitter, R. Reitz, Experiments and modeling of
fuel HCCI and PCCI combustion using in-cylinder fuel blending, SAE Int. J. Engines 2 (2)
 (2009) 24–39​. [6] S. Gothekar, K. Vora, G. Mutha, N. Walke, N. Marathe, Design of experiments: a . Yun, R. Reitz, Combustion optimization in the low-temperature diesel
systems approach to engine optimization for lower emissions, SAE Technical Paper 2007-26-012. [7] combustion regime, Int. J. Engine Res. 6 (2005) 513–524​. [16] P. Senecal, R. Reitz,
R. Kozan, M. Gokce, Two-stage engine mapping for the calibration of carbon imultaneous reduction of engine emissions and fuel consumption using genetic algorithms and
monoxide emission, Modern Appl. Sci. 3 (4) (2009) 30–36​. [8] MATLAB, Model multi-dimensional spray and combustion modeling, SAE Technical Paper 2000-01-1890. [17] ​R.
Browser User's Guide, Model-Based Calibration Toolbox, 2001. ermann, Engine Modeling and Control, Springer, 2014​. [18] F. Mallamo, M. Badami, F. Millo,
[9] F. Azmin, R. Stobart, J. Rutledge, E. Winward, Using a Statistical Machine Learning Tool for Diesel
Application of the design of experiments and objective functions for the optimization of multiple
Engine Air Path Calibration, SAE Technical Paper 2014- 01-2391. [10] Y. Kitamura, A. Sekikawa, njection strategies for low emissions in CR diesel engines, SAE Technical Paper 2004-01-0123. [19] M.
M.Tokoro, N. Tomatsu, T. Uchimoto, H. Yuasa, A. Kato, Investigation about Predictive accuracy ofNebel, M. Vogels, T. Combe, T. Winsel, H. Pfluegl, C. Hametner, Global dynamic models for
empirical engine models using design of experiments, SAE Technical Paper 2011-01-1848. [11] H.XiL-basedLee, calibration, SAE Technical Paper 2010-01-0329. [20] H. Pang, C. Brace, S. Akehurst,
Y. Park, S. Hong, M. Lee, M. Sunwoo, EGR Rate estimation for cylinder air charge in a turbochargedotential of a controllable engine cooling system to reduce NOx emissions in diesel engines, SAE
diesel engine using an adaptive observer, SAE Technical Paper 2013-01-0246. [12] X. Liu, S. Jiang, echnical
A Paper 2004-01-0054. [21] T. Brooks, G. Lumsden, H. Blaxill, Improving base engine
DOE based approach to multi-response optimization, SAE alibrations for diesel vehicles through the use of DoE and optimization techniques, SAE Technical
Technical Paper 2003-01-0880. [13] S. Yoshida, M. Ehara, Y. Kuroda, Rapid Boundary aper 2005-01-3833. [22] ​N. Carter, R. Gabler, A Model Based calibration process for robust optimal
Detection for Model Based am position selection under all engine operating conditions, SAE Int. J. Engines 1 (1) (2009)
Diesel Engine Calibration, SAE Technical Paper 2011-01-0741. [14] ​I. Brahma, J. Chi, 004–1014​. [23] ​M. Hafner, R. Isermann, Multiobjective optimization of feedforward control maps in
Development of a model-based transient calibration process for diesel engine electronic control module ngine management systems towards low consumption and low emissions, Trans. Institute Measure.
ontrol 25 (1) (2003) 57–74​.
tables – Part 1: data requirements, processing, and analysis, Int. J. Engine Res. 13 (1) (2012) 77–96​. [15]
928 ​S. Park et al. / Applied Thermal Engineering 123 (2017) 917–928